음향 이벤트 검출을 위한 주요 주파수 증폭 기반 데이터 증강 (Boosting Principal Frequency based Data Augmentation for Sound Event Detection)

서지정보

· 발행기관 : 대한전자공학회
· 수록지 정보 : 전자공학회논문지 / 61권 / 7호 / 77 ~ 83페이지
· 저자명 : 남지원, 박상욱

초록

음향 이벤트 검출은 음향 신호에 포함된 관심 음향의 유형과 발생 구간을 검출하는 기술로서, 음향 신호에 기반한 상황인지, 멀티미디어 분석, 보안을 위한 감시 시스템의 핵심 기술로 활용된다. 음향 이벤트의 검출 성능을 향상시키기 위해서는, 다양한 상황에서 발생한 음향 이벤트의 통계적 특징을 반영한 음향분석 모델이 필요하지만, 음향 수집 및 학습데이터 구축에 많은 비용이 발생하기 때문에, 다양한 상황을 고려하는데 한계가 있다. 이러한 문제를 극복하기 위해, 본 논문에서는 효율적인 음향분석 모델을 학습하는데 적용할 수 있는 데이터 증강에 관한 기존방법의 효과를 분석하고, 음향 이벤트 검출 모델 학습을 위한 새로운 데이터 증강 방법을 제안한다. DCASE2020 task4에서 제공하는 테스트베드에 기반한 실험에서 제안하는 방법은 이벤트 기반 F1점수가 39.39%로 시간이동, 시간롤링, 마스킹, 필터링, 잡음추가, 믹스업으로 구성된 비교군 중 가장 높은 성능을 보인다.

영어초록

Sound event detection aims to identify sounds of interest into the type of sounds and each interval. So, it is a crucial technique of audio-based situation awareness, multimedia analysis, and monitoring systems. To improve detection performance, an acoustic model that reflects the statistic of target sounds, which occur in various situations, is needed. However, it is difficult to consider various situations due to high cost of audio collection and preparing training dataset. To address this challenge, this paper analyzes the effectiveness of conventional data augmentation approaches applicable to training acoustic models efficiently, and then proposes a new data augmentation method. In the experiments based on the testbed provided by DCASE2020 task4, the proposed method shows the best performance in an event-based F1 score of 39.39% compared to other comparison groups such as time shiting, time rolling, masking, filtering, adding noise, and mix-up.

참고자료

· 없음